9种数据分析方法-CSDN博客

对比分析多维度分析分布分析用户留存漏斗观察用户画像归因查找路径挖掘行为序列

①比什么

　　绝对值 VS 比例值

　　

②怎么比

　　环比 VS 同比

③和谁比

　　和自己比 VS 和行业比

 

 

　　运作原理：指标/业务流程需要按照多维度拆分，来观察变动

　　适用场景：

　　　　①分析单一指标的构成

　　　　　　如：分栏目的播放量，新老用户比例

　　　　②针对流程进行拆解

　　　　　　如：不同渠道的浏览，购买转化率；不同省份的活动参与漏斗

　　　　③还原行为发生的场景

　　　　　　如：打赏主播的等级、性别、频道；是否在wifi/4G情况下

　　分布情况：一个事件不仅只有累计值这么一个可以观察的指标，还可以从事件在不同的维度中分布来观察

　　常见的群体划分：

　　　　事件频率

　　　　一天内的时间分布

　　　　消费金额的区间

　　运作原理：从事件在不同维度中的分布来观察，以便理解该事件除了累计数量和频次外更多维度的信息

　　适用场景：

　　　　①已知一群用户完成了指定事件，但需要对用户群体进行细分，按不同维度和价值将他们分为不同群体，分布进行后续的维护和分析

　　　　②已知单个事件的完成次数，希望知道这些次数拆分到不同维度上后的分布情况，以便更清晰地了解该事件的完成情况

　　留存：

　　　　一般的计算方法：将某一时间段的用户ID与另一时间段的用户ID做交叉去重，产品、运营、技术、市场每个环节都会对留存造成影响

　　精准留存：过滤进行过指定行为的用户ID再计算，将用户分为不同群体后，观察其之间留存的区别

　　适用场景：评估产品功能粘性，验证产品长期价值

　　漏斗=一连串的向后影响的用户行为

　　建立漏斗时容易掉的坑：

　　a. 漏斗一定是有时间窗口的

　　　　根据业务实际情况，选择对应的时间窗口

　　　　　　按天：对用户心智的影响只在短期内有效（如短期活动）

　　　　　　按周：业务本身复杂/决策成本高/多日才能完成（如理财/美股开户）

　　　　　　按月：决策周期更长（如装修买房）

　　　　……否则，太长，包进了太多无关的信息，

　　　　　　　　太短，扔掉了很多有用的信息

　　b. 漏斗一定具有严格的顺序

　　c. 漏斗的计数单位可以基于用户，也可以基于事件

　　　　何时基于用户，何时基于事件呢？

　　　　　　基于用户：关心整个业务流程的推动

　　　　　　基于事件：关心某一步具体转化率；无法获知事件流转的真实情况

　　d. 结果指标的时间不符合预期

　　　　自查：是否只有一个漏斗能够到达最终目标

　　适用场景：有明确的业务流程和业务目标 -- 适用

　　　　　　　没有明确的业务流程，跳转关系纷繁复杂的业务 -- 不适用

　　运作原理：通过对用户各类特征进行标识，给用户贴上各类标签，通过这些标签将用户分为不同的群体，以便对不同群体分别进行产品/运营动作

　　a.标签都有啥？

　　　　基础属性：年龄、性别、生日、星座、教育、身高、收入、职业……

　　　　社会关系：婚姻、有无小孩、家有老人、性取向……

　　　　行为特征：基本行为，如注册时间，来源渠道……；业务行为：买过特惠商品、曾获优秀学员

　　　　业务相关：胖瘦高矮、体脂率、日均8000步，收藏了100+健身计划……（运动类app)

　　b.标签从哪儿来？

　　　　直接填写：用户自己填写的信息，有的app首次使用让用户自己选择标签，用户填写的用户调查

　　　　推断：通过用户自己的已有特征/通过用户身边的人推断

　　适用场景：市场营销、个性化运营、业务分析、用户研究……

　　运作原理：将事件拆解，根据业务性质，确定完成事件的关键部分

　　适用场景：对业务中明确的业务目标（购买，留资料，充值等）归因，便可……

将目标的达成拆分到各个模块，方便统计各个模块的贡献获悉当前指标达成的主要因素，获得如何提升业务指标的洞见

　　①末次归因：转化路径短，且事件间关联性强的场景把贡献度全部给最后一个行为

　　②递减归因：转换路径长，非目标事件差异不大，没有完全主导的事件，从最后一步开始逐渐把影响因子向前递减

　　③首次归因：强流量依赖的业务，拉人比后续所有事都重要，关键在第一步

　　运作原理：逐级展开某一事件的前一级（后一级）事件，观察其流向

　　适用场景：

有明确的起始场景（希望观察这个场景它之后发生了什么）有明确的结果目标（希望观察来的用户是如何到达的）

　　局限：反映一群人的整体行为趋势，对个体不适用

　　运作原理：将单一用户的所有行为以时间线的形式进行排列

　　适用场景：

观察掩盖在统计信息下更细致的信息，还原用户的具体使用场景通过观察用户特定的行为特征，找到提升产品价值的机会点